Wav2vec2 Xls R 300m Cs Cv8

🚀 捷克语语音识别模型（wav2vec2-xls-r-300m-cs-cv8）

本模型基于facebook/wav2vec2-xls-r-300m在Common Voice 8.0数据集上微调而来，可用于捷克语的自动语音识别任务，能有效将语音转换为文本。

🚀 快速开始

直接使用模型（无需语言模型）

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor

test_dataset = load_dataset("mozilla-foundation/common_voice_8_0", "cs", split="test[:2%]")

processor = Wav2Vec2Processor.from_pretrained("comodoro/wav2vec2-xls-r-300m-cs-cv8")
model = Wav2Vec2ForCTC.from_pretrained("comodoro/wav2vec2-xls-r-300m-cs-cv8")

resampler = torchaudio.transforms.Resample(48_000, 16_000)

# 预处理数据集
# 需要将音频文件读取为数组
def speech_file_to_array_fn(batch):
	speech_array, sampling_rate = torchaudio.load(batch["path"])
	batch["speech"] = resampler(speech_array).squeeze().numpy()
	return batch

test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset[:2]["speech"], sampling_rate=16_000, return_tensors="pt", padding=True)

with torch.no_grad():
	logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits

predicted_ids = torch.argmax(logits, dim=-1)

print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset[:2]["sentence"])

评估模型

使用附带的eval.py脚本评估模型：

python eval.py --model_id comodoro/wav2vec2-xls-r-300m-cs-cv8 --dataset mozilla-foundation/common-voice_8_0 --split test --config cs

✨ 主要特性

• 基于facebook/wav2vec2-xls-r-300m模型在Common Voice 8.0数据集上进行微调，适用于捷克语语音识别。
• 训练过程中采用了不同阶段的超参数调整，以达到更好的性能。

📦 安装指南

文档未提及安装相关内容，可参考模型依赖库（如transformers、torchaudio等）的官方安装说明进行安装。

📚 详细文档

模型描述

该模型是在捷克语上对facebook/wav2vec2-large-xlsr-53进行微调得到的，使用的是Common Voice数据集。使用此模型时，请确保语音输入的采样率为16kHz。

评估结果

训练时在评估集上取得了以下结果：

• Loss: 0.2327
• Wer: 0.1608
• Cer: 0.0376

使用语言模型运行eval.py脚本的结果：

• WER: 0.10281503199350225
• CER: 0.02622802241689026

训练和评估数据

训练使用了Common Voice 8.0的train和validation数据集。

训练过程

训练超参数

第一阶段训练使用的超参数：

• 学习率：7e-05
• 训练批次大小：32
• 评估批次大小：8
• 随机种子：42
• 梯度累积步数：20
• 总训练批次大小：640
• 优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型：线性
• 学习率调度器热身步数：500
• 训练轮数：150
• 混合精度训练：Native AMP

第二阶段训练使用的超参数：

• 学习率：0.001
• 训练批次大小：32
• 评估批次大小：8
• 随机种子：42
• 梯度累积步数：20
• 总训练批次大小：640
• 优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型：线性
• 学习率调度器热身步数：500
• 训练轮数：50
• 混合精度训练：Native AMP

训练结果

第一阶段训练结果：

进一步微调（架构略有不同，学习率更高）的结果：

框架版本

• Transformers 4.16.0.dev0
• Pytorch 1.10.1+cu102
• Datasets 1.17.1.dev0
• Tokenizers 0.11.0

🔧 技术细节

本模型基于Transformer架构，在预训练模型facebook/wav2vec2-xls-r-300m的基础上，使用Common Voice 8.0数据集对捷克语进行微调。训练过程中采用了不同阶段的超参数调整，以优化模型性能。

📄 许可证

本模型使用的是Apache-2.0许可证。

模型信息表格

重要提示

⚠️ 重要提示

使用此模型时，请确保语音输入的采样率为16kHz。

使用建议

💡 使用建议

可根据具体需求进一步调整超参数，以获得更好的识别效果。